کتاب Graph Data Modeling in Python

کتاب Graph Data Modeling in Python (مدل‌سازی داده‌های گراف در پایتون: راهنمای عملی برای مدیریت، تجزیه و تحلیل و مدل‌سازی داده‌ها با نمودارها) در قسمت مختلف به شرح گراف و پیاده‌سازی آن با استفاده از زبان برنامه‌نویسی پایتون خواهد پرداخت.

در ادامه مقدمه‌ای از کتاب Graph Data Modeling in Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Graph Data Modeling in Python:

سازمان‌ها در سراسر جهان شروع به استفاده از روش‌های نمودار و تکنیک‌های تجسم برای درک شبکه‌های پیچیده کرده‌اند. این شبکه‌ها در بسیاری از صنایع وجود دارند، از تجزیه و تحلیل شبکه‌های اجتماعی (تجزیه و تحلیل ارتباطات افراد در حال تعامل در شبکه‌های اجتماعی) تا کشف تقلب (نگاه کردن به تراکنش‌ها در یک شبکه برای شناسایی موارد دور از دسترس)، مدل سازی پایداری سیستم‌هایی مانند شبکه‌های ریلی و انرژی. و به عنوان اجزای مهم موتورهای توصیه که در بسیاری از سرویس‌های پخش آنلاین مورد علاقه شما، به عنوان مثال، Netflix، Prime و غیره استفاده می‌شوند.

کتاب Graph Data Modeling in Python ابزارهایی را در اختیار شما قرار می‌دهد که با استفاده از این روش‌ها در حین کار با یک زبان آشنا مانند پایتون کار کنید. ما با بررسی نحوه ایجاد نمودار در igraph NetworkX و نحوه استفاده از آنها برای انجام تجزیه و تحلیل گراف پیچیده شروع می‌کنیم. سپس به دنیای Neo4j و پایگاه‌های اطلاعاتی گراف می‌پردازیم، و همچنین شما را با دانش جستجو در پایگاه‌های اطلاعاتی نمودار با زبان جستجوی Cypher مجهز می‌کنیم.

کتاب Graph Data Modeling in Python برای چه کسی است؟

هدف اصلی این کتاب کمک به توسعه‌دهندگان پایتون موجود در سطح متوسط است که ممکن است جاه طلبی برای ورود به مدل سازی داده‌های نموداری را داشته باشند. یا اگر شما یک توسعه‌دهنده پایگاه داده یا حرفه ای IT هستید، بخش پایگاه داده گراف ممکن است بینش‌هایی را در مورد اینکه چگونه پایگاه‌های داده گراف با پایگاه‌های داده سنتی متفاوت است به شما ارائه دهد.

در اصل، کتاب Graph Data Modeling in Python برای هر کسی که عاشق کدنویسی در پایتون است و می‌خواهد در مورد نحوه ساخت خطوط لوله داده‌های نمودار، نحوه جذب و پاک کردن داده‌ها، روش‌های مختلف برای ذخیره روابط داده‌های گراف، نحوه انجام تکنیک‌های تحلیلی مانند جامعه اطلاعات بیشتری کسب کند، مورد توجه قرار گرفته است. ایجاد موتور تشخیص و توصیه، و نحوه استفاده از Cypher برای ذخیره این روابط و سپس پرس و جوی نمودار درون حافظه با Cypher.

آنچه کتاب Graph Data Modeling in Python پوشش می‌دهد:

فصل 1، معرفی نمودارها در دنیای واقعی، به شما می‌پردازد که چرا باید نمودارها را در نظر بگیرید. ویژگی‌های اساسی ساختارهای داده گراف، مانند گره‌ها و لبه‌ها چیست؟ همچنین نحوه استفاده از نمودارها در صنایع مختلف را پوشش می‌دهد و مقدمه ای ملایم برای igraph و NetworkX ارائه می‌دهد.

فصل 2، کار با مدل‌های داده‌های نمودار، به نحوه کار با نمودارها می‌پردازد. از آنجا، شما یک مدل را در پایتون پیاده‌سازی خواهید کرد تا محبوب ترین برنامه تلویزیونی را توصیه کنید.

فصل 3، تبدیل مدل داده – مربوط به پایگاه‌های داده گراف، با MySQL آشنا می‌شود، نحوه ورود داده‌ها به MySQL از پایگاه‌های داده گراف را در نظر می‌گیرد، و سپس به ساخت یک موتور توصیه می‌پردازد تا بازی‌های مشابه را بر اساس آنها به کاربر توصیه کند. تاریخچه بازی در پلتفرم محبوب Steam.

فصل 4، ساخت یک نمودار دانش، مهارت‌های شما را برای ایجاد یک نمودار دانش برای تجزیه و تحلیل چکیده‌های پزشکی، پاک کردن داده‌ها، و سپس انجام تجزیه و تحلیل نمودار و تشخیص جامعه بر روی نمودار دانش قرار می‌دهد.

فصل 5، کار با پایگاه‌های داده گراف، به کار با Neo4j و ذخیره داده‌ها در یک پایگاه داده گراف با استفاده از دستورات Cypher می‌پردازد. سپس از پایتون برای تعامل با پایگاه داده گراف ما با اتصال Neo4j به پایتون استفاده می‌شود.

فصل 6، توسعه خط لوله، شامل همه چیزهایی است که برای طراحی یک طرحواره نیاز دارید و به آن اجازه دهید با خط لوله گراف شما کار کند تا در نهایت توصیه‌های محصول را در سراسر Neo4j، igraph و Python ارائه دهد.

فصل 7، طرح‌واره‌های بازسازی و تکامل، به این موضوع می‌پردازد که چرا باید اصلاح کنید، چگونه به طور مؤثر تکامل پیدا کنید، و چگونه این تغییرات را در چرخه عمر توسعه خود اعمال کنید.

فصل 8، پیش‌بینی‌های کامل، به درک، ایجاد، تجزیه و تحلیل و استفاده از پیش‌بینی‌ها در Neo4j و igraph می‌پردازد.

فصل 9، خطاهای رایج و اشکال‌زدایی، نحوه اشکال‌زدایی مشکلات نمودار و نحوه برخورد با برخی از رایج ترین مسائل در Neo4j و igraph را توضیح می‌دهد.

سرفصل‌های کتاب Graph Data Modeling in Python:

• Graph Data Modeling in Python
• Contributors
• About the authors
• About the reviewer
• Preface
• Part 1: Getting Started with Graph Data Modeling
  • Chapter 1: Introducing Graphs in the Real World
  • Chapter 2: Working with Graph Data Models
• Part 2: Making the Graph Transition
  • Chapter 3: Data Model Transformation – Relational to Graph Databases
  • Chapter 4: Building a Knowledge Graph
• Part 3: Storing and Productionizing Graphs
  • Chapter 5: Working with Graph Databases
  • Chapter 6: Pipeline Development
  • Chapter 7: Refactoring and Evolving Schemas
• Part 4: Graphing Like a Pro
  • Chapter 8: Perfect Projections
  • Chapter 9: Common Errors and Debugging
• Index
• Other Books You May Enjoy

جهت دانلود کتاب Graph Data Modeling in Python می‌توانید پس از پرداخت، دریافت کنید.